Amazon AIF-C01: AI ve ML Temelleri — Çalışma kılavuzu
Şunun bir parçası: AWS AI Practitioner AIF-C01 — Çalışma kılavuzu. Doğrulanmış cevaplarla şurada pratik yapın: Amazon sınav merkezi, veya şurada süreli deneme sınavları çözün: ExamRoll.io.
Temel Modeller, Dağıtım Desenleri ve Güvenlik
Temel modeller geliştirmeyi hızlandırır ancak kendine özgü mimari seçimleri ve güvenlik hususlarını da beraberinde getirir. Amazon Bedrock, birden fazla temel modele yönetilen erişim sağlar ve ince ayar (fine‑tuning), geri getirme artırımlı üretim (RAG) iş akışlarını ve anlamsal arama için Amazon OpenSearch Service (k-NN) veya Amazon Kendra gibi vektör depolarıyla entegrasyonu destekler. Veri boyutuna ve güvenlik ihtiyaçlarına göre ince ayar (fine‑tuning), talimat ayarlaması (instruction‑tuning) veya hafif adaptörler arasında seçim yapın. Düşük gecikmeli, yüksek verimli çıkarım için optimize edilmiş modelleri Amazon EC2 Inf1 (Inferentia) üzerinde dağıtmayı veya modelleri uç cihazlarda derlemek ve barındırmak için SageMaker Neo/Edge Manager kullanmayı düşünün; cihaz üzerinde mutlak en düşük gecikmeli çıkarım, model boyutundan ve doğruluğundan ödün vererek SageMaker Edge Manager veya AWS IoT Greengrass aracılığıyla model nicelemesi (quantization), budama (pruning) ve yerel çalışma zamanı gerektirir. Güvenlik desenleri arasında VPC uç noktaları, Bedrock için AWS PrivateLink, katı IAM rolleri, hassas veriler için KMS destekli S3 şifrelemesi ve denetim günlüğü bulunur. Halüsinasyonu ve prompt saldırılarını azaltmak için koruma mekanizmaları (guardrails) uygulayın: girdi temizleme, prompt şablonları, yanıt filtreleri ve RLHF veya işlem sonrası kontroller. CloudTrail ile kullanımı ve anormal API çağrılarını izleyin ve model erişimini ve veri gizliliğini korumak için hız limitleri ve anomali tespiti uygulayın.
Pratik Problem: Kullanım Senaryosu
Senaryo: GreenGene Labs, ham veriler için Amazon S3, model geliştirme için SageMaker ve temel modellerle denemeler yapmak için Amazon Bedrock içeren bir AWS yapay zeka ortamı kullanmaktadır. Hassas genomik ve klinik meta verilerini katı erişim kontrolleri altında tutuyorlar ve araştırma panoları için ölçeklenebilir çıkarıma ihtiyaç duyuyorlar.
Zorluk: İnsan gen örneklerini şeffaf karar mantığıyla 20 kategoriye ayırmak, ekipler arasında özelliklerin yeniden kullanımını sürdürmek ve araştırmacılar için izlenen, düşük gecikmeli bir API dağıtmak.
Önerilen Yaklaşım:
- Verileri hazırlamak ve etiketlemek için SageMaker Processing ve Ground Truth kullanın, derlenmiş özellikleri SageMaker Feature Store’da saklayın.
- SageMaker Training’de yorumlanabilir modeller (XGBoost, karar ağaçları) eğitin; modelleri SageMaker Model Registry’ye kaydedin ve köken (lineage) bilgilerini kayıt altına alın.
- En iyi modeli, otomatik ölçeklendirme ile bir Application Load Balancer arkasındaki SageMaker uç noktasına dağıtın; sapma (drift) için SageMaker Model Monitor’ü ve CloudWatch alarmlarını etkinleştirin.
- Daha büyük temsillerle denemeler yapmak için, gömülüler (embeddings) için Bedrock veya Hugging Face modellerini kullanın ve benzerlik araması için bir OpenSearch vektör dizini ekleyin; nihai sınıflandırma için yorumlanabilir modelle birleştirin.
Gerekçe: Merkezi özellik yönetimi ve tekrarlanabilir işlem hatları (pipeline), veri sızıntısını azaltır ve iş birliğini hızlandırırken, yorumlanabilir modellere öncelik vermek şeffaflık ihtiyaçlarını karşılar ve Bedrock gömülüleri (embeddings) yönetişimden ödün vermeden daha zengin bir temsil sağlar.
Tüm alanlar · Generative AI Kavramları →
Bu soruları çözün → · ExamRoll.io’da süreli pratik →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Sınavınızı geçin →